社交網(wǎng)絡(luò)數(shù)據(jù)個性化推薦的可視化方法

李 緒，曹 磊，付 磊

?

社交網(wǎng)絡(luò)數(shù)據(jù)個性化推薦的可視化方法

李 緒1，曹 磊2，付 磊2

(1. 南開大學(xué)數(shù)學(xué)學(xué)院，天津 300071；2. 天津大學(xué)軟件學(xué)院，天津 300072)

針對大規(guī)模社交網(wǎng)絡(luò)應(yīng)用中檢索結(jié)果過于龐大復(fù)雜的問題，將個性化推薦與可視化相結(jié)合，用于在大量數(shù)據(jù)中找到用戶感興趣的信息。在開拓網(wǎng)絡(luò)縮放算法的基礎(chǔ)上，提出關(guān)鍵信息顯示算法，能夠區(qū)別顯示社交網(wǎng)絡(luò)關(guān)系圖中用戶相對重要的信息和次要信息，增強(qiáng)關(guān)聯(lián)度較高數(shù)據(jù)的顯示效果。將帶權(quán)值的力導(dǎo)向布局算法應(yīng)用于用戶關(guān)系聚類中，通過在二維顯示空間中合理安排節(jié)點(diǎn)布局，達(dá)到減少用戶認(rèn)知負(fù)擔(dān)和個性化推薦的目的。設(shè)計并實現(xiàn)個性化推薦的可視化工具HRVis，在Movielens數(shù)據(jù)集上進(jìn)行測試，結(jié)果表明，HRVis能夠強(qiáng)調(diào)顯示具有良好社會關(guān)系的重要用戶以及與用戶相似的關(guān)聯(lián)用戶，獲得較好的可視推薦效果。

可視化；個性化推薦；力導(dǎo)向算法；社交網(wǎng)絡(luò)；多視圖系統(tǒng)；帶權(quán)值的力導(dǎo)向算法

1 概述

可視化是一種把抽象信息用圖形表示的技術(shù)。借助可視化技術(shù)，人們可以直觀分析原本抽象的數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式。信息可視化是可視化的一個重要分支。它是一門集人機(jī)交互、圖形學(xué)、圖像處理技術(shù)、人類認(rèn)知學(xué)、數(shù)據(jù)挖掘等多學(xué)科于一體的交叉學(xué)科。

隨著Internet的迅猛發(fā)展，社交網(wǎng)絡(luò)大規(guī)模興起，人們每天閱讀信息、創(chuàng)造信息、傳播信息，使得網(wǎng)絡(luò)上的信息數(shù)據(jù)量以前所未有的速度增長，如Facebook已經(jīng)擁有上億的用戶，這些用戶每分鐘會發(fā)出至少50萬條評論，在網(wǎng)站已經(jīng)至少上傳了1 400億張照片。面對海量數(shù)據(jù)，人們迫切希望從中快速找到自己感興趣的內(nèi)容，但是傳統(tǒng)的信息檢索技術(shù)不能直觀地滿足用戶的個性化需求。直到20世紀(jì) 90年代，個性化推薦技術(shù)才作為一個研究方向被提出[1]。將可視化與個性化推薦技術(shù)相結(jié)合改進(jìn)了傳統(tǒng)被檢索被推薦信息的展示方式，降低了用戶觀察解釋數(shù)據(jù)的難度，在個性化信息檢索技術(shù)中具有重要的應(yīng)用價值和發(fā)展?jié)摿Α?/p>

社交關(guān)系網(wǎng)絡(luò)數(shù)據(jù)大多呈現(xiàn)網(wǎng)狀分布的特點(diǎn)，雖然現(xiàn)在已經(jīng)有很多處理網(wǎng)狀數(shù)據(jù)可視化的方法[2]，但是這些可視化方法不涉及個性化推薦。當(dāng)數(shù)據(jù)量很大時雖然可以很清楚地區(qū)分不同類別的信息，但是很難幫助某一特定用戶得到個性化信息。為了解決上述問題，本文將個性化推薦技術(shù)與可視化技術(shù)相結(jié)合，提出面對社交網(wǎng)絡(luò)數(shù)據(jù)的關(guān)鍵信息顯示算法，將社交網(wǎng)絡(luò)關(guān)系圖中相對重要的信息凸顯出來而忽略一些次要信息，并給出針對社交網(wǎng)絡(luò)網(wǎng)狀數(shù)據(jù)的帶權(quán)值的力導(dǎo)向布局算法，幫助某一特定用戶快速搜索到與自己相似的用戶，設(shè)計與實現(xiàn)了面向社交網(wǎng)絡(luò)應(yīng)用的個性化推薦可視化工具HRVis。

2 相關(guān)工作

海量網(wǎng)絡(luò)數(shù)據(jù)可視化技術(shù)的研究是信息可視化領(lǐng)域的重要分支。作為一種可以應(yīng)用于復(fù)雜網(wǎng)狀布局的算法，力導(dǎo)向布局算法被廣泛應(yīng)用于可視化樹狀或者網(wǎng)狀數(shù)據(jù)[3-4]。隨后，牛頓-拉普森算法、模擬退火算法、GEM算法分別用來改進(jìn)系統(tǒng)能量方程和最小化能量的選取。文獻(xiàn)[5]指出對于力導(dǎo)向布局算法來說，初始化布局方法的選取很大程度上決定了算法的有效性。文獻(xiàn)[6]受光譜原理的啟迪，提出一個更加簡單有效的初始化方法：當(dāng)能量方程達(dá)到最小化時，每個節(jié)點(diǎn)的位置是其鄰域的質(zhì)心。本文在針對社交網(wǎng)絡(luò)的帶權(quán)值的力導(dǎo)向布局算法初始化時參考了文獻(xiàn)[6]提出的質(zhì)心算法，初始化效率較高。

國內(nèi)外的研究人員在網(wǎng)狀數(shù)據(jù)的可視化方面做了很多工作，開發(fā)了GUESS、yEd和Pajek等可視化分析工具。針對社交網(wǎng)絡(luò)可視化，文獻(xiàn)[7]指出社交網(wǎng)絡(luò)的分析包括統(tǒng)計回歸分析和可視化這2個方面。在用戶個性化的可視化技術(shù)方面，文獻(xiàn)[8]提供了多個基于推薦算法的可視化視圖；文獻(xiàn)[9]在基于用戶行為的推薦可視化領(lǐng)域做出一定貢獻(xiàn)；文獻(xiàn)[10]將聚類分析和可視化相結(jié)合；文獻(xiàn)[11]提出網(wǎng)狀數(shù)據(jù)的推薦可視化系統(tǒng)；文獻(xiàn)[12]幫助用戶進(jìn)行社交網(wǎng)絡(luò)的推薦可視化，從而找到和自己有共同興趣的朋友。文獻(xiàn)[13]將推薦和可視化結(jié)合起來用于圖像挖掘，取得較好的效果。

3 基于用戶推薦信息的可視化方法

社交網(wǎng)絡(luò)可視化一直是信息可視化的一個難題。本文針對海量社交網(wǎng)絡(luò)數(shù)據(jù)的可視化，提出關(guān)鍵信息顯示算法，在有限的空間內(nèi)高效地展示最重要的信息，從而將關(guān)系圖中最重要的信息直觀地推薦給用戶，并提出針對社交網(wǎng)絡(luò)數(shù)據(jù)的帶權(quán)值的力導(dǎo)向布局算法，在有限的二維空間上更好地展現(xiàn)了網(wǎng)狀數(shù)據(jù)的關(guān)聯(lián)關(guān)系，從而可以直觀地向用戶推薦與之類似的用戶。本文使用MovieLens[14]數(shù)據(jù)集測試取得了很好的效果。

3.1 關(guān)鍵信息顯示算法

當(dāng)社交網(wǎng)絡(luò)關(guān)系圖中節(jié)點(diǎn)的數(shù)量非常多(顯示空間已經(jīng)占滿)時，關(guān)系圖呈現(xiàn)出雜亂無章的效果，使得重要的信息隱藏在噪音數(shù)據(jù)中，推薦算法和可視化布局算法失效，影響推薦效果，因此，需要著重向用戶推薦關(guān)鍵信息，忽略意義不大的信息，即去掉一些不太“重要”的顯示部分，僅把關(guān)系圖中的重要關(guān)系和模式顯示出來。本文針對上述問題，在開拓網(wǎng)絡(luò)縮放算法[15]的基礎(chǔ)上提出了關(guān)鍵信息顯示算法，取得了比較好的顯示效果。關(guān)鍵信息顯示算法的執(zhí)行是一個迭代的過程，根據(jù)信息之間的關(guān)聯(lián)程度，去掉社交網(wǎng)絡(luò)關(guān)系圖中不重要的節(jié)點(diǎn)，顯著地顯示重要的節(jié)點(diǎn)，最終達(dá)到向用戶推薦關(guān)系圖中關(guān)鍵信息的目的。

算法迭代在信息節(jié)點(diǎn)的3個集合中完成，3個集合分別為：所有節(jié)點(diǎn)的集合-allNode，未訪問節(jié)點(diǎn)集合notVisted，已訪問節(jié)點(diǎn)集合visited。將notVisted初始化為包含所有節(jié)點(diǎn)，visited初始化為空，所有信息節(jié)點(diǎn)的初始不透明度值為1，迭代過程如下：

(1)選擇節(jié)點(diǎn)：從notVisted中隨機(jī)選擇一個節(jié)點(diǎn)targetNode(所有節(jié)點(diǎn)以均等的概率被選中)，將targetNode從集合notVisted中刪除，放入集合visited中。

(2)尋找鄰居節(jié)點(diǎn)：訪問-allNode，找到targetNode的所有鄰居，即所有與targetNode直接或者間接相連的節(jié)點(diǎn)，計算節(jié)點(diǎn)targetNode到所有鄰居節(jié)點(diǎn)的最短距離以及到達(dá)步數(shù)，節(jié)點(diǎn)之間的距離通過節(jié)點(diǎn)間連接的相似度之和計算，對于直接相連的節(jié)點(diǎn)，其連接步數(shù)為1，節(jié)點(diǎn)距離為兩節(jié)點(diǎn)連接邊的相似度。

(3)調(diào)整鄰居節(jié)點(diǎn)不透明度：增加targetNode的鄰居節(jié)點(diǎn)的顯示不透明度，對于每一個鄰居節(jié)點(diǎn)，調(diào)節(jié)后的不透明度使用式(1)進(jìn)行計算：

其中，(,)為節(jié)點(diǎn)間最短距離；(,)為節(jié)點(diǎn)間連接步數(shù)。

(4)調(diào)節(jié)所有節(jié)點(diǎn)不透明度：將所有節(jié)點(diǎn)的透明度減少(為用戶設(shè)定的常量)。

(5)迭代選擇節(jié)點(diǎn)直到集合notVisted為空。

當(dāng)算法結(jié)束時，網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)系圖將強(qiáng)化顯示關(guān)聯(lián)關(guān)系較多的節(jié)點(diǎn)，而忽略離散出現(xiàn)的節(jié)點(diǎn)，在社會關(guān)系網(wǎng)絡(luò)的應(yīng)用中，通常認(rèn)為越多與周圍人群發(fā)生關(guān)系的人越重要。圖1、圖2是使用關(guān)鍵信息顯示算法前后的可視化效果對比。

圖2 使用關(guān)鍵信息顯示算法后的可視化效果

從圖2可以看出，采用關(guān)鍵信息推薦后大量無關(guān)數(shù)據(jù)已經(jīng)實現(xiàn)了透明化，而與周圍關(guān)聯(lián)關(guān)系較多的關(guān)鍵數(shù)據(jù)則被保留下來。

3.2 帶權(quán)值的力導(dǎo)向布局算法

力導(dǎo)向布局算法適用于表現(xiàn)具有網(wǎng)絡(luò)連接特點(diǎn)的數(shù)據(jù)，社交網(wǎng)絡(luò)中節(jié)點(diǎn)間的關(guān)聯(lián)十分密集，并且根據(jù)關(guān)聯(lián)程度不同擁有不同的權(quán)值，而經(jīng)典力導(dǎo)向布局算法忽略了邊的權(quán)重。本文在經(jīng)典力導(dǎo)向算法的基礎(chǔ)上將邊的權(quán)重加入到力學(xué)模型中，提出一種能夠有效反映節(jié)點(diǎn)之間強(qiáng)弱關(guān)系的布局算法：帶權(quán)值的力導(dǎo)向布局算法。

3.2.1 帶權(quán)值的力導(dǎo)向視圖模型定義

與經(jīng)典力導(dǎo)向算法類似，帶權(quán)值的力導(dǎo)向布局算法的力學(xué)模型借鑒了物理系統(tǒng)中模擬粒子間的2種力：節(jié)點(diǎn)之間的斥力以及相鄰節(jié)點(diǎn)之間的引力。在力導(dǎo)向布局算法的模型基礎(chǔ)上，定義帶權(quán)值的力導(dǎo)向布局算法的力學(xué)模型。

(1)斥力模型公式為：

(2)引力模型公式為：

從斥力模型公式中可以看出，2個節(jié)點(diǎn)的距離越近，它們之間的斥力越大，保證了節(jié)點(diǎn)分布不會過近，有效地防止了節(jié)點(diǎn)重合。在引力模型公式中，節(jié)點(diǎn)之間的引力與節(jié)點(diǎn)之間距離的平方呈正比，與節(jié)點(diǎn)之間權(quán)重呈正比。保證相連接的節(jié)點(diǎn)不會被斥力排斥的過遠(yuǎn)，使得關(guān)聯(lián)密切的節(jié)點(diǎn)在布局上的空間距離較短。

3.2.2 帶權(quán)值的力導(dǎo)向視圖初始化

在力導(dǎo)向布局算法中，初始化布局十分重要，影響完成布局的計算時間和所占用的空間面積，本文參考文獻(xiàn)[6]提出的質(zhì)心算法進(jìn)行初始化布局，迭代調(diào)整節(jié)點(diǎn)的位置，使得節(jié)點(diǎn)處于其鄰域的質(zhì)心，質(zhì)心算法的描述如下：

輸入圖=(,)，迭代次數(shù)默認(rèn)為3

輸出布局分布()=(p)∈V

begin

for i=1 to total iteration do

for each v∈V do

//deg(u)是點(diǎn)u度，N(v)是點(diǎn)v鄰域

end for

end for

end

3.2.3 帶權(quán)值的力導(dǎo)向布局算法中邊屬性的選擇

網(wǎng)絡(luò)關(guān)系圖中邊的屬性能夠反映節(jié)點(diǎn)之間關(guān)系的強(qiáng)弱，有3種邊屬性可用于反映節(jié)點(diǎn)關(guān)系的示例：(1)邊的長度；(2)邊的寬度；(3)邊的顏色。

使用邊長度屬性來判斷節(jié)點(diǎn)間關(guān)系的強(qiáng)弱，如節(jié)點(diǎn)間關(guān)系越緊密，邊長度越短，反之則長，與力導(dǎo)向布局中的用戶對節(jié)點(diǎn)距離的認(rèn)知保持一致，因此，在本文算法中選用該屬性用于表現(xiàn)節(jié)點(diǎn)間關(guān)系。

使用邊寬度屬性能夠反映節(jié)點(diǎn)關(guān)系的強(qiáng)弱，例如線越粗表示關(guān)系越密切，線越細(xì)代表關(guān)系越疏遠(yuǎn)。但是可能存在2個問題：(1)邊的寬度不能超過節(jié)點(diǎn)的大小，否則圖形會非?；靵y；(2)當(dāng)所有關(guān)系強(qiáng)度差距很小時，人眼無法區(qū)別出各節(jié)點(diǎn)關(guān)系的強(qiáng)弱。

使用邊的顏色能夠鮮明地突出節(jié)點(diǎn)關(guān)系的強(qiáng)弱，但如果圖中邊的權(quán)重是連續(xù)分布的，那么就需要為每個權(quán)重來分配不同的顏色。然而人眼識別顏色的數(shù)量是有限的，并且要記住每種顏色對應(yīng)的權(quán)值，反而增加了用戶的認(rèn)知負(fù)擔(dān)。

3.2.4 帶權(quán)值的力導(dǎo)向視圖的終止條件

3.2.5 與其他布局算法的比較

將本文提出的帶權(quán)值的力導(dǎo)向布局算法與KK布局算法[16]、SM布局算法[17]在Pajek datasets的V379-E914測評數(shù)據(jù)集上進(jìn)行比較，如圖3所示。從中可看出，KK算法過于強(qiáng)調(diào)節(jié)點(diǎn)間的連接，使得節(jié)點(diǎn)的信息不夠突出，產(chǎn)生的可視化布局效果不盡理想；SM算法產(chǎn)生的可視化布局圖比較雜亂，無法反映節(jié)點(diǎn)之間的聯(lián)系，而本文提出的帶權(quán)值的力導(dǎo)向布局算法效果比較理想，能夠在體現(xiàn)節(jié)點(diǎn)信息、節(jié)點(diǎn)之間的聯(lián)系和合理的布局這些因素間達(dá)到較好的平衡。

圖3 布局算法在數(shù)據(jù)集V379-E914上的可視化效果比較

4 個性化推薦的可視化工具HRVis

本文提出面向社交網(wǎng)絡(luò)個性化推薦的可視化工具：HRVis(Human Relation Visualization)，用來探索社交網(wǎng)絡(luò)中最重要的信息以及不同用戶的關(guān)聯(lián)關(guān)系。該系統(tǒng)設(shè)計采用多視圖模式，包含關(guān)鍵信息視圖、基于帶權(quán)值的力導(dǎo)向布局的聚類視圖和高亮視圖，其中，關(guān)鍵信息視圖可以向用戶推薦一個關(guān)系圖中相對重要的信息；基于帶權(quán)值的力導(dǎo)向布局的聚類視圖和高亮視圖可以用來向用戶推薦與自己關(guān)系較近的其他用戶。在GroupLens提供的Movielens數(shù)據(jù)集上進(jìn)行實驗，獲得了較好的可視效果。

4.1 關(guān)鍵信息視圖

關(guān)鍵信息視圖采用關(guān)鍵信息顯示算法，可以向用戶推薦大規(guī)模網(wǎng)絡(luò)關(guān)系圖中最重要的信息。本文視圖采用MovieLens中前500個用戶的數(shù)據(jù)作為數(shù)據(jù)源，顯示結(jié)果如圖1、圖2所示，圖1是未經(jīng)關(guān)鍵信息推薦的原始數(shù)據(jù)可視化，而圖2是使用關(guān)鍵信息推薦可視化算法后的可視化效果。從效果對比結(jié)果可以看出，關(guān)系圖中最為重要的用戶被逐漸突顯出來，實現(xiàn)關(guān)系圖中重要信息的顯著性推薦。

4.2 基于帶權(quán)值的力導(dǎo)向布局的聚類視圖

對于一個用戶關(guān)系網(wǎng)絡(luò)，對用戶進(jìn)行有效的聚類，能夠幫助用戶更好地定位自己的群體，進(jìn)一步找到自己可能喜歡的內(nèi)容。k均值算法是一種基于距離的聚類算法，適合對用戶的相似性進(jìn)行聚類分析，HRVis系統(tǒng)在帶權(quán)值的力導(dǎo)向布局的基礎(chǔ)上，實現(xiàn)了k均值聚類算法。本文以MovieLens中的前100個用戶的數(shù)據(jù)作為數(shù)據(jù)源，得到當(dāng)=8時如圖4所示的聚類效果。隨著關(guān)系圖中類的數(shù)量變化，能在不同范圍內(nèi)向用戶推薦與之有共同興趣的其他用戶。

圖4 基于帶權(quán)值的力導(dǎo)向布局的聚類視圖可視化效果

4.3 基于帶權(quán)值的力導(dǎo)向布局的高亮視圖

在一張紛繁復(fù)雜的關(guān)系圖中，可以使用不同的方式向用戶推薦與之有共同特征的用戶，在HRVis中使用高亮視圖實現(xiàn)用戶推薦。當(dāng)用戶對某個用戶感興趣時，通過搜索框在關(guān)系圖中搜索這個用戶的名字，這時該用戶以及和該用戶相似的用戶會被突顯出來，而其他用戶的不透明度會降低。高亮顯示既找到了用戶感興趣的內(nèi)容，也沒有破壞關(guān)系圖的整體顯示效果，增強(qiáng)了個性化推薦的視覺效果。

在進(jìn)行節(jié)點(diǎn)透明度調(diào)整時使用關(guān)鍵信息視圖中類似的方法，當(dāng)用戶選定或者搜索到目標(biāo)用戶時，與之相連的用戶節(jié)點(diǎn)分為以下3種情況進(jìn)行處理：(1)與該用戶直接相連，則具有與該用戶相同的不透明度1。(2)與該用戶間接相連的用戶節(jié)點(diǎn)，其不透明度為兩節(jié)點(diǎn)間最短距離除以步數(shù)的平方。(3)與節(jié)點(diǎn)不相連的其他用戶節(jié)點(diǎn)的不透明度為一個較小常量。

以MovieLens中的前100個用戶的數(shù)據(jù)作為數(shù)據(jù)源，圖5是搜索用戶“Lily Allen”的可視化結(jié)果，“Lily Allen”以及與她相似度較大的用戶以較高的不透明度顯示出來進(jìn)行強(qiáng)調(diào)，而其他用戶作為背景顯示。

圖5 基于帶權(quán)值的力導(dǎo)向布局的高亮視圖可視化效果

5 結(jié)束語

本文提出一種針對社交網(wǎng)絡(luò)的關(guān)鍵信息顯示算法和帶權(quán)值的力導(dǎo)向布局算法，將顯示方式與數(shù)據(jù)記錄通過數(shù)據(jù)集中的關(guān)聯(lián)度聯(lián)系起來，并在此基礎(chǔ)上設(shè)計并實現(xiàn)了個性化推薦的可視化工具HRVis，在MovieLens數(shù)據(jù)上的實驗結(jié)果表明，本文方法能夠取得較好的可視化效果，輔助用戶快速找到需要的信息。在今后工作中，將對帶權(quán)值的力導(dǎo)向布局算法進(jìn)行優(yōu)化，使用更多的節(jié)點(diǎn)屬性與連接關(guān)系作為相似度評價標(biāo)準(zhǔn)，如邊的平滑度、節(jié)點(diǎn)和邊的均勻性等，提高布局算法的性能；同時進(jìn)一步擴(kuò)展HRVis在人機(jī)交互領(lǐng)域的應(yīng)用。

[1] Hill W, Stead L, Rosenstein M. Recommending and Evaluat- ing Choices in a Virtual Community of Use[C]//Proc. of SIGCHI Conference on Human Factors in Computing Systems. New York, USA: ACM Press, 1995: 194-201.

[2] Hachul S, Jünger M. Drawing Large Graphs with a Potential- field-based Multilevel Algorithm[C]//Proc. of the 12th International Conference on Graph Drawing. New York, USA: Springer, 2004: 285-295.

[3] 全 武, 黃茂林. 一種用于Marching-Graph圖形繪制的快速收斂布局算法[J]. 軟件學(xué)報, 2008, 19(8): 1920-1932.

[4] 吳 鵬, 李思昆.適于社會網(wǎng)絡(luò)結(jié)構(gòu)分析與可視化的布局算法[J].軟件學(xué)報, 2011, 22(10): 2467-2475.

[5] Fruchterman T M J, Reingold E M. Graph Drawing by Force-directed Placement[J]. Software: Practice & Experience, 1991, 21(11): 1129-1164.

[6] Zhou Weihua, Huang Jingwei. A Fast Multi-level Algorithm for Drawing Large Undirected Graphs[C]//Proc. of International Conference on Internet Computing in Science and Engineering. Harbin, China: [s. n.], 2008: 110-117.

[7] Perer A, Shneiderman B. Integrating Statistics and Visuali- zation: Case Studies of Gaining Clarity During Exploratory Data Analysis[C]//Proc. of SIGCHI Conference on Human Factors in Computing Systems. Florence, Italy: ACM Press, 2008: 265-274.

[8] Koop D, Scheidegger C, Callahan S, et al. VisComplete: Automating Suggestions for Visualization Pipelines[J]. IEEE Transactions on Visualization and Computer Graphics, 2008, 14(6): 1691-1698.

[9] Duval E. Attention Please!: Learning Analytics for Visuali- zation and Recommendation[C]//Proc. of the 1st International Conference on Learning Analytics and Knowledge. Banff, Canada: ACM Press, 2011: 9-17.

[10] Jeffrey H. Vizster: Visualizing Online Social Networks[C]// Proc. of IEEE Symposium on Information Visualization. Minneapolis, USA: IEEE Press, 2005: 32-39.

[11] Crnovrsanin T, Liao I, Wu Yingcai, et al. Visual Recom- mendations for Network Navigation[C]//Proc. of the 13th Eurographics/IEEE-VGTC Conference on Visualization. Bergen, Norway: IEEE Press, 2011: 1081-1090.

[12] Liang Gou, Fang You, Jun Guo, et al. SFViz: Interest-based Friends Exploration and Recommendation in Social Networks[C]//Proc. of 2011 International Symposium on Visual Information Communication. Hong Kong, China: ACM Press, 2011: 15-18.

[13] 衛(wèi)穎奇, 彭進(jìn)業(yè), 張漢寧. 個性化圖像推薦及可視化研 究[J]. 計算機(jī)工程, 2011, 37(2): 221-223.

[14]Movielens[EB/OL]. (2011-08-11). http://movielens.umn.edu/.

[15] White H D. Pathfinder Networks and Author Cogitation Analysis: A Remapping of Paradigmatic Information Scientists[J]. Journal of the American Society for Information Science and Technology, 2003, 54(5): 423-434.

[16] Kamada T, Kawai S. An Algorithm for Drawing General Undirected Graphs[J]. Information Processing Letters, 1989, 31(1): 7-15.

[17] Hachul S, Junger M. Drawing Large Graphs with a Potential- field-based Multilevel Algorithm[C]//Proc. of the 12th International Conference on Graph Drawing. New York, USA: Springer, 2005: 285-295.

編輯 陸燕菲

Visualization Method of Data Personalized Recommendation in Social Network

LI Xu1, CAO Lei2, FU Lei2

(1. School of Mathematics, Nankai University, Tianjin 300071, China; 2. School of Computer Software, Tianjin University, Tianjin 300072, China)

Aiming at the problem that the search results are too huge and complex in the application of large-scale social networks, the method of combining personalized recommendation with visualization is proposed to find useful information from mass data. This paper proposes a key information display algorithm on the basis of Pathfinder Networks(PFNET) algorithm to display key information by emphasizing important records with high degree of associations. Additionally, an improved weighted force-directed algorithm is applied to cluster user relations to improve displaying layout for the purpose of facilitating users’ cognition and achieving personalized recom- mendation. It designs and implements a visualization of personalized recommendation tool HRVis. The Movielens datasets shows that the HRVis can emphasize important users which have good social relations and associated users which are similar to the users, and it has good visual recommendation effect.

visualization; personalized recommendation; force-directed algorithm; social network; multi-view system; weighted force- directed algorithm

1000-3428(2014)03-0046-05

A

TP391.7

國家自然科學(xué)基金資助項目(60373061)；天津市科技支撐計劃基金資助重點(diǎn)項目(11ZCKFGX01200)。

李 緒(1980－)，男，碩士，主研方向：數(shù)據(jù)挖掘，可視化分析；曹 磊、付 磊，碩士。

2013-02-04

2013-03-12 E-mail：lixu@nankai.edu.cn

10.3969/j.issn.1000-3428.2014.03.009